人們已經(jīng)無法逃避人工智能（AI）的浪潮。無論他們走到哪里，都會(huì)有一則電視廣告在推銷最新的AI軟件。似乎每個(gè)供應(yīng)商都在推銷最新的工具包。每天都有一篇關(guān)于ChatGPT、Bard等新用例的文章。世界似乎在尖叫：人們現(xiàn)在需要AI！

AI確實(shí)正在成為自動(dòng)化和工業(yè)領(lǐng)域的關(guān)鍵技術(shù)。但對(duì)于那些剛接觸AI技術(shù)的人來說，并不總是很清楚從哪里開始。AI如何應(yīng)用于自動(dòng)化應(yīng)用？它在哪里最有價(jià)值？如何衡量其成功與否？

以下是制造商在評(píng)估 AI 用于其自身業(yè)務(wù)運(yùn)營(yíng)時(shí)應(yīng)考慮的10件事，以及他們?cè)趯I引入其流程時(shí)應(yīng)采取的步驟：

1. 定義需要解決的問題

不要只是為了使用AI而使用AI。從一個(gè)真正的問題開始，例如一個(gè)現(xiàn)實(shí)的生產(chǎn)問題。

“您可能會(huì)遇到生產(chǎn)瓶頸，因?yàn)槟鷽]有足夠的訓(xùn)練有素的檢測(cè)專家。” 3M公司的視覺專家Jeff Adolf說。他負(fù)責(zé)將AI引入3M的許多基于視覺的自動(dòng)化流程中。

借助AI識(shí)別，您可以無需人工干預(yù)即可明確通過或失敗的部分，從而擴(kuò)展當(dāng)前專家?guī)斓哪芰?。這意味著您的專家可以將更多時(shí)間集中在需要專家檢查的零件上。

在定義問題時(shí)，3M的專業(yè)數(shù)據(jù)工程師 Nick Blum 建議關(guān)注流程并尋找流程數(shù)據(jù)與流程性能之間的關(guān)系。

“例如，光是將數(shù)據(jù)整理在一起，以確定工廠車間問題的根本原因就可能需要數(shù)周時(shí)間。借助基于AI的高級(jí)流程分析，我們可以幫助我們的工程師在幾分鐘或幾小時(shí)內(nèi)找到問題的見解。”Blum 說。

在定義問題時(shí)，建議從評(píng)估業(yè)務(wù)影響開始。在嘗試解決問題之前，了解和量化問題的業(yè)務(wù)影響至關(guān)重要。

首先查看整體設(shè)備效率 （OEE），以確定最大的機(jī)會(huì)在哪里。量化與 OEE 改進(jìn)相關(guān)的影響，建立基線，然后探索問題的潛在解決方案（AI 或其他）。這種自上而下的方法比自下而上的工作要有效得多。

2. 確定AI解決方案的真正價(jià)值

雖然AI可以提高自動(dòng)化效率和準(zhǔn)確性，但它可能不是目前應(yīng)用程序的最佳解決方案。

例如，特定的AI解決方案可能會(huì)將生產(chǎn)線上的缺陷數(shù)量減少50%。但是，如果缺陷率已經(jīng)達(dá)到1%，那么節(jié)省0.5%的缺陷可能無法證明AI基礎(chǔ)設(shè)施的成本是合理的，更不用說開發(fā)解決方案和中斷生產(chǎn)線部署它的成本了。

“如果你用一個(gè)復(fù)雜的視覺系統(tǒng)代替人工操作，而這個(gè)系統(tǒng)仍然需要人來抽查其結(jié)果，那么你到底節(jié)省了什么？” Adolf說。

相反，尋找最大的機(jī)會(huì)，因?yàn)檫@些機(jī)會(huì)很有可能帶來最大的收益。然后用可衡量的結(jié)果（如停機(jī)時(shí)間或產(chǎn)量）來量化需要改進(jìn)的地方。

例如，3M公司在一個(gè)基準(zhǔn)產(chǎn)量為88%的流程中實(shí)施了人工智能。在接下來的幾個(gè)月里，該公司的產(chǎn)量提高了7%，生產(chǎn)線的穩(wěn)定性也提高了。

AI不僅能幫助企業(yè)節(jié)省成本，還有一些很難量化的無形收益。有時(shí)，價(jià)值會(huì)以提高安全性或環(huán)境可持續(xù)性的形式出現(xiàn)。雖然難以量化，但這些間接利益應(yīng)該得到承認(rèn)。

確定價(jià)值時(shí)要考慮的關(guān)鍵因素之一是可擴(kuò)展性。

AI需要研究、開發(fā)、測(cè)試、部署、維護(hù)和定期再培訓(xùn)。西門子產(chǎn)品管理總監(jiān)Bernd Raithel表示，由于涉及學(xué)習(xí)曲線，部署成本通常很昂貴，而且當(dāng)AI僅部署在單個(gè)位置時(shí)，可能很難收回這些成本。

“如果你只有一臺(tái)機(jī)器和一個(gè)操作員，”Raithel說，“AI可能無法提供你所尋求的好處。這就是為什么許多小型制造商認(rèn)為AI對(duì)他們的應(yīng)用不可行的原因之一。然而，對(duì)于可以在 50 條生產(chǎn)線上應(yīng)用該技術(shù)的企業(yè)來說，AI是一個(gè)完全不同的價(jià)值主張。”

3. 咨詢專家

許多人錯(cuò)誤地認(rèn)為數(shù)據(jù)科學(xué)家將是從事AI系統(tǒng)工作的最重要的人。然而，許多應(yīng)用已經(jīng)不再需要數(shù)據(jù)科學(xué)家了。

如今的AI模型開發(fā)工具已經(jīng)高度自動(dòng)化。企業(yè)不需要了解數(shù)學(xué)或神經(jīng)網(wǎng)絡(luò)，就能建立一個(gè)強(qiáng)大的AI系統(tǒng)。認(rèn)識(shí)到這一點(diǎn)很重要。AI日新月異，工具的變化也同樣迅速。

專家是真正了解問題的人。“你需要確保每天使用或依賴AI系統(tǒng)的人從一開始就參與進(jìn)來。”Raithel 說。

與領(lǐng)域?qū)＜业恼现陵P(guān)重要。他們通過確定 A 類產(chǎn)品、B 類產(chǎn)品和缺陷之間的區(qū)別來完善要解決的問題的定義。Blum 補(bǔ)充說：“專家能夠定義穩(wěn)定的流程應(yīng)該是什么樣的。”

4. 收集數(shù)據(jù)

在正確的位置獲取正確的數(shù)據(jù)是AI應(yīng)用的基礎(chǔ)。

要構(gòu)建AI模型，企業(yè)需要數(shù)據(jù)及其背景信息。對(duì)于所需的數(shù)據(jù)量沒有硬性規(guī)定，但它需要充分表示操作條件并捕獲過程中不受控制的可變性來源，即溫度、濕度、原材料、工作人員、照明條件、維護(hù)等。否則，當(dāng)發(fā)生差異時(shí)，AI模型的準(zhǔn)確性可能會(huì)下降。

收集可用的數(shù)據(jù)，即使他們還不知道如何使用這些數(shù)據(jù)。考慮一個(gè)AI模型，該模型可以預(yù)測(cè)生產(chǎn)線何時(shí)停止。如果一家公司已經(jīng)知道要觀察哪些參數(shù)，他們將能夠手動(dòng)進(jìn)行預(yù)測(cè)。但并不總是清楚哪些參數(shù)是重要的。

也就是說，在引入AI時(shí)，應(yīng)從企業(yè)已經(jīng)可以掌握的簡(jiǎn)單參數(shù)或數(shù)據(jù)開始。Raithel指出，他們還必須考慮需要哪些數(shù)據(jù)來監(jiān)控AI。“你需要一種方法來驗(yàn)證AI是否按照你的預(yù)期工作和交付。”

獲取所需的數(shù)據(jù)并不總是那么容易。如果它們的缺陷率較低，則收集反映這些缺陷的數(shù)據(jù)可能具有挑戰(zhàn)性。如果需要，制造商還可以求助于虛擬環(huán)境來獲取訓(xùn)練數(shù)據(jù)。

5. 適時(shí)引入AI合作伙伴

在自動(dòng)化系統(tǒng)中部署AI的方法有很多很多，制造商需要考慮處理能力、連接性、架構(gòu)和整體基礎(chǔ)設(shè)施。硬件和軟件都有很多東西需要弄清楚。

“您要解決的問題定義了您需要的基礎(chǔ)設(shè)施。”Raithel說。例如，AI處理可以集中或在邊緣實(shí)施。制造商只有在了解問題后才應(yīng)該決定他們需要什么硬件或軟件。他們必須了解可用的解決方案，以便能夠確定解決特定問題的最佳方法。

如果制造商沒有AI方面的經(jīng)驗(yàn)，那么讓合作伙伴參與進(jìn)來，幫助了解各種選擇、直接回報(bào)和對(duì)組織的長(zhǎng)期利益是有意義的。

不過，Adolf提出了這樣一個(gè)注意事項(xiàng)：不要在一開始就選擇合作伙伴。許多公司都會(huì)立即跳到這一步。但是，如果不先了解你的問題和你想要改進(jìn)的地方，你怎么能找到最佳的技術(shù)解決方案呢？ 

6. 從小處著手——“保持簡(jiǎn)單”

思考要解決的總體問題。然后選擇一個(gè)領(lǐng)域開始著手。這不應(yīng)該是最艱巨的挑戰(zhàn)。從小處入手，選擇一個(gè)有成功保障的問題。

“保持簡(jiǎn)單，”Raithel 說，“許多公司都考慮從基于視覺的系統(tǒng)開始。視覺系統(tǒng)很吸引人，而且往往具有極高的投資回報(bào)率。但視覺系統(tǒng)包括照明、攝像機(jī)選擇、角度、反射、時(shí)間和許多其他因素。這很復(fù)雜。產(chǎn)品質(zhì)量缺陷檢測(cè)與區(qū)分貓狗完全不同。”

Adolf建議，看看制造商可以在哪些方面快速增加價(jià)值。如果他們有產(chǎn)量損失，找出良品率損失的根源，并確定他們能做些什么。例如，他們可以用一個(gè)簡(jiǎn)單的AI系統(tǒng)取代過時(shí)的系統(tǒng)從而提高效率。

另一個(gè)陷阱是認(rèn)為有一些經(jīng)過驗(yàn)證的算法可以從網(wǎng)上下載。

“你的零件和問題可能是前人從未見過的。即使是確認(rèn)兩個(gè)連接器是否緊固這樣簡(jiǎn)單的事情也不簡(jiǎn)單。”Raithel說。直接采用的結(jié)果，很有可能是從頭開始。

7. 分階段驗(yàn)證AI方案

降低風(fēng)險(xiǎn)的一種方法是分階段驗(yàn)證AI解決方案。

例如，3M 公司在視覺方面的一項(xiàng)人工智能試點(diǎn)應(yīng)用是改進(jìn)光學(xué)薄膜工藝?，F(xiàn)有系統(tǒng)性能不佳，基線超標(biāo)率高達(dá) 15%，這意味著 15%本應(yīng)合格的部件被檢測(cè)系統(tǒng)拒之門外。

“我們?cè)诂F(xiàn)有設(shè)備上引入了AI作為軟件增強(qiáng)功能，使基準(zhǔn)超標(biāo)率降至不到 2%。同樣，欠標(biāo)率也從5% 降到了0.5% 以下。” Adolf 說。

當(dāng) 3M 在光學(xué)薄膜工藝之上實(shí)施AI時(shí)，他們首先將其與現(xiàn)有系統(tǒng)并行部署以驗(yàn)證結(jié)果。“我們使用相同的部件運(yùn)行系統(tǒng)，以評(píng)估AI增強(qiáng)的有效性，直到我們對(duì)AI系統(tǒng)充滿信心。”Adolf 說。

8. 維護(hù)和更新AI系統(tǒng)

更新幾乎是每個(gè)基于AI的系統(tǒng)的重要組成部分。當(dāng)環(huán)境差異（如照明）或原材料（如某個(gè)組件出現(xiàn)了不同的陰影）發(fā)生變化時(shí)，這可能會(huì)對(duì)性能產(chǎn)生負(fù)面影響。如果設(shè)置發(fā)生變化，例如相機(jī)被敲擊并且角度發(fā)生變化，這也可能會(huì)改變所有當(dāng)前數(shù)據(jù)。

隨著設(shè)備的老化，設(shè)備也會(huì)緩慢變化，這一過程稱為漂移。例如，隨著時(shí)間的推移，加熱器可能需要增加 10% 的工作強(qiáng)度才能保持正常運(yùn)行。

系統(tǒng)可能需要更新以適應(yīng)這些變化。不過，即使是能夠適應(yīng)變化的系統(tǒng)也需要進(jìn)行更新。特別是，隨著新數(shù)據(jù)的收集，AI模型可以得到完善，從而提高其效率、準(zhǔn)確性和對(duì)結(jié)果的信心。

“如果您只有一臺(tái)機(jī)器，那么保持最新狀態(tài)就很容易了。但生產(chǎn)線往往有很多機(jī)器。您需要一種集中式方式進(jìn)行大規(guī)模更新。集中式方法還具有簡(jiǎn)化操作和實(shí)現(xiàn)監(jiān)控的額外好處。當(dāng)系統(tǒng)易于更新時(shí)，就很容易將性能保持在最佳水平。” Raithel說。

此外，他提醒企業(yè)不要忘記操作員和工程師。他們需要隨時(shí)了解系統(tǒng)的變化情況，而這需要額外的時(shí)間和精力。

9. 衡量結(jié)果并從中學(xué)習(xí)

所有歷史數(shù)據(jù)的重要價(jià)值之一在于有一個(gè)衡量成功的基線。能夠顯示投資回報(bào)率對(duì)于獲得下一個(gè)項(xiàng)目的支持很重要。

盡管如此，有時(shí)投資是為了學(xué)習(xí)一項(xiàng)新技術(shù)。Adolf說：“你的首次部署可能會(huì)虧損，但它為日后大規(guī)模節(jié)約成本做好了準(zhǔn)備。”

換句話說，第一次部署可能只是為了積累經(jīng)驗(yàn)，同時(shí)將風(fēng)險(xiǎn)降到最低。

10. 重新思考AI的可能性

AI最引人注目的商業(yè)案例之一是，是它使制造商能夠做一些人類無法輕易做到的事情。

Raithel談到了一個(gè)與印刷電路板生產(chǎn)瓶頸相關(guān)的項(xiàng)目。在AI技術(shù)出現(xiàn)之前，每塊電路板都必須經(jīng)過X射線檢查。為了增加產(chǎn)量，西門子將不得不再投資50萬歐元購(gòu)買另一臺(tái) X 光機(jī)。

“借助預(yù)測(cè)性AI，生產(chǎn)線能夠確定30%的電路板是好的，不需要進(jìn)行X射線檢查。”Raithel 說，“結(jié)果是：我們生產(chǎn)線的產(chǎn)能增加了30%。”

這是一個(gè)很好的例子，說明AI可以做的不僅僅是減少缺陷。如果創(chuàng)造性地使用，AI可以提高產(chǎn)量或效率。它還說明了AI如何可靠地執(zhí)行復(fù)雜的任務(wù)。

另一個(gè)例子是預(yù)測(cè)性維護(hù)。AI不僅可以預(yù)測(cè)何時(shí)出現(xiàn)故障，還可以預(yù)測(cè)什么東西會(huì)發(fā)生故障，而不是定期安排停機(jī)時(shí)間來查看機(jī)器是否有磨損。“你可以更快地解決問題，因?yàn)榧夹g(shù)人員甚至知道要帶什么零件，”Raithel 說。

衡量在哪里使用AI的一個(gè)很好的標(biāo)準(zhǔn)是復(fù)雜成都。如果只有5個(gè)參數(shù)需要考慮，一個(gè)人可能會(huì)處理它。當(dāng)有數(shù)千個(gè)參數(shù)時(shí)，一個(gè)人不可能找到一組好的組合來觀察。這就是AI真正可以增加價(jià)值的地方。

在3M公司，Adolf為生產(chǎn)添加的視覺系統(tǒng)中有90%在過去是無法實(shí)現(xiàn)的。技術(shù)根本無法做到這一點(diǎn)。例如，在一條車牌生產(chǎn)線上，3M 印刷車牌圖形，然后增加下游價(jià)值，如反光性和耐候性。

盡管絕大多數(shù)缺陷都發(fā)生在印制過程中，即流程的第一部分，但人不可能在這一階段對(duì)車牌進(jìn)行檢查，并判斷其日后是否會(huì)出現(xiàn)故障。“有了AI，我們可以從源頭上識(shí)別缺陷，并在支付防反光和防風(fēng)雨處理費(fèi)用之前抓住它們。我們不僅提高了產(chǎn)量，還降低了每個(gè)缺陷的成本。” Adolf說。

人工智能值得投資嗎？Raithel 認(rèn)為這是值得的。今天，西門子在安貝格的工廠員工人數(shù)與1990年時(shí)的人數(shù)差不多。然而，生產(chǎn)率是當(dāng)時(shí)的17倍。他將這一增長(zhǎng)歸功于技術(shù)，而AI將實(shí)現(xiàn)下一階段的改進(jìn)。有了人工智能，人們可以專注于他們能提供最大價(jià)值的地方。